無模型貝葉斯分類器方法及在腦電波信號識別中的應用.pdf_第1頁
已閱讀1頁，還剩92頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

1、隨著科技的發(fā)展，對于那些大腦健康而肢體行動不便或者無法行動的患者，例如:肌萎縮側索硬化癥(ALS)患者，越發(fā)的渴望能夠通過自己的大腦直接與外部設備進行交流，腦-機接口(Brain-Computer Interface，BCI)技術就在這種背景下出現(xiàn)并快速發(fā)展。腦電波信號的分類算法作為BCI技術中一個重要的環(huán)節(jié)，對其進行研究將有著重大的現(xiàn)實意義及實用價值。
　　本文的主要研究內(nèi)容:
　　1.針對樸素貝葉斯分類器(Na(i)ve

2、 Bayesian Classifier, NBC)及貝葉斯網(wǎng)絡(Bayesian Network，BN)的不足進行了改進，基于最近鄰(NearestNeighbor, NN)算法，建立一個計算聯(lián)合概率分布的概率估計器，并提出一種無模型貝葉斯分類器(Model-Free Bayesian Classifier, MFBC)算法實現(xiàn)數(shù)據(jù)的分類。
　　2.提出一種新型的自組織特征提取算法，并對MFBC算法進行擴展，從而能夠處理回歸問題

3、，通過與極限學習機(Extreme Learning Machine，ELM)進行比較，從而驗證了擴展后的MFBC處理回歸問題的有效性。
　　3.根據(jù)模糊C均值(Fuzzy C Means，F(xiàn)CM)聚類算法對人造腦電波信號數(shù)據(jù)與真實腦電波信號數(shù)據(jù)進行區(qū)分。
　　4.進行對腦電波信號識別系統(tǒng)的設計，包括UCI（University of California Irvine)數(shù)據(jù)及腦電波數(shù)據(jù)的導入、MFBC算法、實驗結果分析等功

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論